<?xml version="1.0"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:dc="http://purl.org/dc/elements/1.1/"><rdf:Description rdf:about="https://dk.um.si/IzpisGradiva.php?id=97050"><dc:title>Metode za razlaganje nepravičnosti v strojnem učenju</dc:title><dc:creator>Mlinarič,	Nejc	(Avtor)
	</dc:creator><dc:creator>Karakatič,	Sašo	(Mentor)
	</dc:creator><dc:creator>Colakovic,	Ivona	(Komentor)
	</dc:creator><dc:subject>nepravičnost v strojnem učenju</dc:subject><dc:subject>razložljiva umetna inteligenca (XAI)</dc:subject><dc:subject>pravičnost v umetni inteligenci</dc:subject><dc:subject>post-hoc pristop</dc:subject><dc:subject>pojasnjevalni modeli</dc:subject><dc:description>Naloga obravnava razvoj dveh post-hoc metod za razlago nepravičnosti v modelih strojnega učenja z uporabo odločitvenih dreves. Metodi se osredotočata na individualno nepravičnost, pri čemer se lokalne napake agregirajo v pojasnjevalnem drevesu, agregacija preko občutljive spremenljivke pa omogoča vpogled v širše vzorce nepravičnosti. Namen naloge je bil preveriti, ali lahko razviti metodi zaznata različne oblike nepravičnih vzorcev na dveh sintetičnih in enem realnem podatkovnem naboru. Rezultati kažejo, da vsaka metoda zaznava nepravičnost v skladu s svojim konceptualnim pristopom, pri čemer prva metoda izkazuje višje povprečne vrednosti na sintetičnih naborih, druga metoda pa na realnem podatkovnem naboru. Primerjava uteženih in neuteženih rezultatov kaže, da uteževanje prispeva k preglednejši in primerljivejši interpretaciji zaznanih razlik med skupinami.</dc:description><dc:publisher>[N. Mlinarič]</dc:publisher><dc:date>2026</dc:date><dc:date>2026-02-13 11:30:09</dc:date><dc:type>Magistrsko delo/naloga</dc:type><dc:identifier>97050</dc:identifier><dc:language>sl</dc:language></rdf:Description></rdf:RDF>